Hello,大家好!
这里是壹脑云科研圈,我是喵君姐姐~
我们进行脑电分析的时候,首先要进行的就是一个预处理的大动作,预处理在脑电分析中到底有什么作用呢?让我们看看大牛们都是怎么说的。
预处理在脑电数据分析中扮演什么样的角色?
对以往的研究进行梳理后发现,研究者们将关注点主要聚焦在以下几个方面:
1.预处理是脑电数据分析的充分且必要(充要)条件?
2.预处理是脑电数据分析的充分但不必要条件?
3.预处理是脑电数据分析的必要但不充分条件?
4.预处理是脑电数据分析的不充分且非必要条件?
近期,Arnaud Delorme(注:EEGLAB的开发者)在bioRxiv预印本平台提交了《EEG is better left alone》一文。
文章访问链接如下:
https://doi.org/10.1101/2022.12.03.518987
该文章通过跨数据分析平台(EEGLAB、FieldTrip、MNE 和 Brainstorm)就脑电数据分析中预处理环节中采取的一些方法(如:插值坏导、重参考、ICA 等)对脑电结果的影响进行了充分探讨。
简言之,该预印本的结果表明,除了高通滤波和插值坏导外,自动数据校正对重要电极点的百分比没有影响或显著降低。
重参考和基线校正方法对数据结果的稳定性可能会有消极影响。
拒绝不良数据段或试次无法弥补统计功效的损失。
ICA 分析拒绝眼电伪迹、肌电伪迹并不能可靠地提高数据表现。
此外,在跨分析平台管道进行数据分析时,也没有获得比较好的预期结果。
下面让我们一起了解详细的分析过程吧!
01
高通滤波
对于 Go/No-go dataset 和 Oddball dataset,滤波导致电极点的百分比增加了约 50%,如下图所示。对于 Face Dataset,滤波没有带来显着改善,这可能是因为在数据收集时使用了0.1Hz 的高通滤波。
02
移除线性噪音
坏导插值可能会影响电极点的百分比,陷波滤波对数据的百分比没有显著的影响。但 cleanline 和 Zapline-plus 中的插值算法甚至对Face Dataset 的性能产生消极影响。
此外,除一些特定的脑电数据分析指标或方法外,线性噪声的离线去除可能不是预处理 EEG 数据的关键步骤。
03
重参考
如图所示,我们发现在所有三个数据集中重参考并没有增加重要渠道的百分比。此外,中值、平均值、REST 和 PREP 等重参考方法还可能会导致某些消极影响。
04
基线
如图所示, 减去基线活动对数据质量没有影响或产生负面影响,尤其是当基线短于 500 毫秒时。此外,如果数据在 0.5 Hz 或以上进行高通滤波,则在 ERP 分析中应省略减去平均基线活动。
05
分析平台管道
在分析管道上,并没有发现哪个分析管道具有明显优势。
06
后记
这篇预印本的结果和观点在学者之间引发了激烈的讨论,在开放科学研究的推动下,海量 EEG 数据集的开放共享、数据分析环节及相应分析资料的开放共享正在悄悄地改变着现在的 EEG 数据分析过程,同时也让我们去思考怎样的 EEG 数据处理分析才是更为科学、客观的分析,能够让结果是稳健的。
此外,我们也要审慎地看待这一预印本中的结果和观点,在后续的 EEG 研究中,尤其是数据采集和处理环节中,更为详细的记录和报告相关参数设置,从而更好的在开放科学的时代浪潮中踏浪前行。
以上就是这次分享的主要内容,我们下期再见啦!
参考资料:
Delorme, A. (2022). EEG is better left alone. bioRxiv.
https://doi.org/10.1101/2022.12.03.518987
转载 | 流浪心球
作者 | 念靖晴
排版 | 右右
校对 | 蓝桉 喵君姐姐